施氮和灌溉互作对垂穗披碱草生物量及构成要素的影响

施氮和灌溉是提高牧草产量和资源利用效率的重要途径。本研究采用盆栽试验分析了不同氮素水平(0、200和400 mg·kg–1)和灌溉量(土壤饱和持水量的35%～40%、 60%～65%、 75%～80%)互作对垂穗披碱草(Elymus nutans)生物量及其构成要素的影响。结果表明:随施氮量增加,垂穗披碱草株高、分蘖数、地上地下生物量比呈显著增加趋势(P <0.05),地上生物量先增加后降低,但施氮量对垂穗披碱草根系体积和根系生物量没有显著影响(P>0.05)。随灌溉量增加,垂穗披碱草株高、分蘖数、地上生物量、根系体积、根系生物量呈显著增加趋势(P <0.05),地上地下生物量比先增加后降低。施氮和灌溉互作时垂穗披碱草株高、分蘖数、地上生物量、地上地下生物量比呈开口向下的抛物线趋势,其中施氮量为200 mg·kg–1、灌溉量为土壤饱和持水量60%～65%时最佳。因此,施氮和灌溉互作对垂穗披碱草产量及构成要素具有明显的协同增加效应,且存在最佳组合模式。     

基于AlexNet的栽培苜蓿病害识别

苜蓿病害的准确快速识别是栽培苜蓿草地病害防治的关键。苜蓿病害鉴别对专业知识和识别工具及检测环境要求较高,传统的苜蓿病害识别往往需要采用显微观察等手段对叶片病害部位进行镜检,存在时效性差、成本高,难以实现大范围多点位的快速识别等弊端。近年来在图像识别领域的计算机视觉和深度学习得到快速发展,为苜蓿病害智能化识别提供了新途径。本研究利用13种常见苜蓿病害图像数据集,基于改进的AlexNet深度学习卷积神经网络,经过300次迭代训练,构建了苜蓿病害识别模型,并对比分析了不同图像输入分辨率的苜蓿病害识别精度。结果表明：13种苜蓿病害最优模型识别总体精度达到72%,最优图像输入尺寸为512像素×512像素;剔除识别精度过低的苜蓿病害样本图片后,褐斑病、霜霉病、炭疽病、黑茎叶斑病和小光壳叶斑病5类苜蓿病害的识别总体精度提高到92%,最优输入尺寸为1200像素×1200像素。这2种模型均能够实现对苜蓿主要病害的快速识别,研究结果可以为苜蓿病害智能检测系统的研发提供图像识别方面的技术支持。